[发明专利]一种卷积运算方法、装置、设备及存储介质

权利要求书

1.一种卷积运算方法，其特征在于，包括：

在目标卷积层的运算过程中，获取所述目标卷积层的卷积参数组，所述卷积参数组中包括所述目标卷积层的至少一项卷积参数；

将所述目标卷积层的卷积参数组输入至预先训练的卷积算法预测模型，通过预先训练的卷积算法预测模型，在各个预设卷积算法中确定出与所述目标卷积层对应的目标卷积算法，确定与所述目标卷积算法对应的预测运行时间；

其中，所述目标卷积算法是各个预设卷积算法中对所述目标卷积层进行卷积运算的运行时间最短的卷积算法，所述预测运行时间是预测的使用所述目标卷积算法对所述目标卷积层进行卷积运算的运行时间；

使用所述目标卷积算法对所述目标卷积层进行卷积运算。

2.根据权利要求1所述的方法，其特征在于，在获取所述目标卷积层的卷积参数组之前，还包括：

获取设定数量的卷积层的卷积参数组、以及与各所述卷积层对应的卷积算法运行时间，并对各所述卷积层的卷积参数组中的卷积参数进行归一化处理；

根据与各所述卷积层对应的卷积算法运行时间，在各个预设卷积算法中确定与各所述卷积层对应的目标卷积算法；

将各所述卷积层的归一化处理后的卷积参数组、与各所述卷积层对应的目标卷积算法的标识信息和运行时间作为训练样本，对机器学习模型进行训练，得到卷积算法预测模型；

其中，所述卷积算法预测模型的输入为卷积层的卷积参数组，输出为与卷积层对应的目标卷积算法的标识信息、与目标卷积算法对应的预测运行时间。

3.根据权利要求2所述的方法，其特征在于，所述将各所述卷积层的归一化处理后的卷积参数组、与各所述卷积层对应的目标卷积算法的标识信息和运行时间作为训练样本，对机器学习模型进行训练，得到卷积算法预测模型，包括：

将由各所述卷积层的归一化处理后的卷积参数组、与各所述卷积层对应的目标卷积算法的标识信息和运行时间构成的训练样本划分为训练样本集合以及测试样本集合；

使用所述训练样本集合对机器学习模型进行训练，得到卷积算法预测模型；

使用所述测试样本集合对所述卷积算法预测模型进行测试。

4.根据权利要求2所述的方法，其特征在于，所述将所述目标卷积层的卷积参数组输入至预先训练的卷积算法预测模型，通过预先训练的卷积算法预测模型，在各个预设卷积算法中确定出与所述目标卷积层对应的目标卷积算法，确定与所述目标卷积算法对应的预测运行时间，包括：

对所述目标卷积层的卷积参数组进行归一化处理；

将归一化处理后的所述目标卷积层的卷积参数组输入至预先训练的卷积算法预测模型，得到所述卷积算法预测模型输出的与所述目标卷积层对应的目标卷积算法的标识信息、与所述目标卷积算法对应的预测运行时间。

5.根据权利要求4所述的方法，其特征在于，所述使用所述目标卷积算法对所述目标卷积层进行卷积运算，包括：

根据所述目标卷积算法的标识信息，确定与所述目标卷积算法对应的硬件加速器；

将所述目标卷积层的各项卷积参数输入至所述硬件加速器，以使所述硬件加速器使用所述目标卷积算法，根据所述目标卷积层的各项卷积参数对所述目标卷积层进行卷积加速运算。

6.根据权利要求1所述的方法，其特征在于，在确定出与所述目标卷积层对应的目标卷积算法，确定与所述目标卷积算法对应的预测运行时间之后，还包括：

判断所述目标卷积算法以及所述预测运行时间是否满足预设运算条件；

在所述目标卷积算法以及所述预测运行时间满足预设运算条件时，使用所述目标卷积算法对所述目标卷积层进行卷积运算。

7.根据权利要求6所述的方法，其特征在于，在判断所述目标卷积算法以及所述预测运行时间是否满足预设运算条件之后，还包括：

在所述目标卷积算法以及所述预测运行时间不满足预设运算条件时，使用预设的备选卷积算法对所述目标卷积层进行卷积运算。